## 实时语音克隆 - 中文/普通话 ![mockingbird](https://user-images.githubusercontent.com/12797292/131216767-6eb251d6-14fc-4951-8324-2722f0cd4c63.jpg) [![MIT License](https://img.shields.io/badge/license-MIT-blue.svg?style=flat)](http://choosealicense.com/licenses/mit/) ### [English](README.md) | 中文 ### [DEMO VIDEO](https://www.bilibili.com/video/BV17Q4y1B7mY/) | [Wiki教程](https://github.com/babysor/MockingBird/wiki/Quick-Start-(Newbie)) ｜ [训练教程](https://vaj2fgg8yn.feishu.cn/docs/doccn7kAbr3SJz0KM0SIDJ0Xnhd) ## 特性 🌍 **中文** 支持普通话并使用多种中文数据集进行测试：aidatatang_200zh, magicdata, aishell3, biaobei, MozillaCommonVoice, data_aishell 等 🤩 **Easy & Awesome** 仅需下载或新训练合成器（synthesizer）就有良好效果，复用预训练的编码器/声码器，或实时的HiFi-GAN作为vocoder 🌍 **Webserver Ready** 可伺服你的训练结果，供远程调用。 🤩 **感谢各位小伙伴的支持，本项目将开启新一轮的更新** ## 1.快速开始 ### 1.1 建议环境 - Ubuntu 18.04 - Cuda 11.7 && CuDNN 8.5.0 - Python 3.8 或 3.9 - Pytorch 2.0.1 ### 1.2 环境配置 ```shell # 下载前建议更换国内镜像源 conda create -n sound python=3.9 conda activate sound git clone https://github.com/babysor/MockingBird.git cd MockingBird pip install -r requirements.txt pip install webrtcvad-wheels pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 ``` ### 1.3 模型准备 > 当实在没有设备或者不想慢慢调试，可以使用社区贡献的模型(欢迎持续分享): | 作者 | 下载链接 | 效果预览 | 信息 | | --- | ----------- | ----- | ----- | | 作者 | https://pan.baidu.com/s/1iONvRxmkI-t1nHqxKytY3g [百度盘链接](https://pan.baidu.com/s/1iONvRxmkI-t1nHqxKytY3g) 4j5d | | 75k steps 用3个开源数据集混合训练 | 作者 | https://pan.baidu.com/s/1fMh9IlgKJlL2PIiRTYDUvw [百度盘链接](https://pan.baidu.com/s/1fMh9IlgKJlL2PIiRTYDUvw) 提取码：om7f | | 25k steps 用3个开源数据集混合训练, 切换到tag v0.0.1使用 |@FawenYo | https://drive.google.com/file/d/1H-YGOUHpmqKxJ9FRc6vAjPuqQki24UbC/view?usp=sharing [百度盘链接](https://pan.baidu.com/s/1vSYXO4wsLyjnF3Unl-Xoxg) 提取码：1024 | [input](https://github.com/babysor/MockingBird/wiki/audio/self_test.mp3) [output](https://github.com/babysor/MockingBird/wiki/audio/export.wav) | 200k steps 台湾口音需切换到tag v0.0.1使用 |@miven| https://pan.baidu.com/s/1PI-hM3sn5wbeChRryX-RCQ 提取码：2021 | https://www.bilibili.com/video/BV1uh411B7AD/ | 150k steps 注意：根据[issue](https://github.com/babysor/MockingBird/issues/37)修复 并切换到tag v0.0.1使用 ### 1.4 文件结构准备 文件结构准备如下所示，算法将自动遍历synthesizer下的.pt模型文件。 ``` # 以第一个 pretrained-11-7-21_75k.pt 为例 └── data └── ckpt └── synthesizer └── pretrained-11-7-21_75k.pt ``` ### 1.5 运行 ``` python web.py ``` ## 2.模型训练 ### 2.1 数据准备 #### 2.1.1 数据下载 ``` shell # aidatatang_200zh wget https://openslr.elda.org/resources/62/aidatatang_200zh.tgz ``` ``` shell # MAGICDATA wget https://openslr.magicdatatech.com/resources/68/train_set.tar.gz wget https://openslr.magicdatatech.com/resources/68/dev_set.tar.gz wget https://openslr.magicdatatech.com/resources/68/test_set.tar.gz ``` ``` shell # AISHELL-3 wget https://openslr.elda.org/resources/93/data_aishell3.tgz ``` ```shell # Aishell wget https://openslr.elda.org/resources/33/data_aishell.tgz ``` #### 2.1.2 数据批量解压 ```shell # 该指令为解压当前目录下的所有压缩文件 for gz in *.gz; do tar -zxvf $gz; done ``` ### 2.2 encoder模型训练 #### 2.2.1 数据预处理： 需要先在`pre.py `头部加入： ```python import torch torch.multiprocessing.set_start_method('spawn', force=True) ``` 使用以下指令对数据预处理： ```shell python pre.py \ -d ``` 其中``为原数据集路径，`` 为数据集名称。 支持 `librispeech_other`，`voxceleb1`，`aidatatang_200zh`，使用逗号分割处理多数据集。 ### 2.2.2 encoder模型训练： 超参数文件路径：`models/encoder/hparams.py` ```shell python encoder_train.py \ /SV2TTS/encoder ``` 其中 `` 是训练产生文件的名称，可自行修改。 其中 `` 是经过 `Step 2.1.1` 处理过后的数据集路径。 #### 2.2.3 开启encoder模型训练数据可视化（可选） ```shell visdom ``` ### 2.3 synthesizer模型训练 #### 2.3.1 数据预处理： ```shell python pre.py \ -d \ -o \ -n ``` `` 为原数据集路径，当你的`aidatatang_200zh`路径为`/data/aidatatang_200zh/corpus/train`时，`` 为 `/data/`。 `` 为数据集名称。 `` 为数据集处理后的保存路径。 `` 为数据集处理时进程数，根据CPU情况调整大小。 #### 2.3.2 新增数据预处理： ```shell python pre.py \ -d \ -o \ -n \ -s ``` 当新增数据集时，应加 `-s` 选择数据拼接，不加则为覆盖。 #### 2.3.3 synthesizer模型训练： 超参数文件路径：`models/synthesizer/hparams.py`，需将`MockingBird/control/cli/synthesizer_train.py`移成`MockingBird/synthesizer_train.py`结构。 ```shell python synthesizer_train.py \ -m ``` 其中 `` 是训练产生文件的名称，可自行修改。 其中 `` 是经过 `Step 2.2.1` 处理过后的数据集路径。 其中 ` `为训练时所有数据的保存路径。 ### 2.4 vocoder模型训练 vocoder模型对生成效果影响不大，已预置3款。 #### 2.4.1 数据预处理 ```shell python vocoder_preprocess.py \ -m ``` 其中``为你数据集路径。 其中 ``为synthesizer模型地址。 #### 2.4.2 wavernn声码器训练: ``` python vocoder_train.py ``` #### 2.4.3 hifigan声码器训练: ``` python vocoder_train.py hifigan ``` #### 2.4.4 fregan声码器训练: ``` python vocoder_train.py \ --config config.json fregan ``` 将GAN声码器的训练切换为多GPU模式：修改`GAN`文件夹下`.json`文件中的`num_gpus`参数。 ## 3.致谢 ### 3.1 项目致谢 该库一开始从仅支持英语的[Real-Time-Voice-Cloning](https://github.com/CorentinJ/Real-Time-Voice-Cloning) 分叉出来的，鸣谢作者。 ### 3.2 论文致谢 | URL | Designation | 标题 | 实现源码 | | --- | ----------- | ----- | --------------------- | | [1803.09017](https://arxiv.org/abs/1803.09017) | GlobalStyleToken (synthesizer)| Style Tokens: Unsupervised Style Modeling, Control and Transfer in End-to-End Speech Synthesis | 本代码库 | | [2010.05646](https://arxiv.org/abs/2010.05646) | HiFi-GAN (vocoder)| Generative Adversarial Networks for Efficient and High Fidelity Speech Synthesis | 本代码库 | | [2106.02297](https://arxiv.org/abs/2106.02297) | Fre-GAN (vocoder)| Fre-GAN: Adversarial Frequency-consistent Audio Synthesis | 本代码库 | |[**1806.04558**](https://arxiv.org/pdf/1806.04558.pdf) | SV2TTS | Transfer Learning from Speaker Verification to Multispeaker Text-To-Speech Synthesis | 本代码库 | |[1802.08435](https://arxiv.org/pdf/1802.08435.pdf) | WaveRNN (vocoder) | Efficient Neural Audio Synthesis | [fatchord/WaveRNN](https://github.com/fatchord/WaveRNN) | |[1703.10135](https://arxiv.org/pdf/1703.10135.pdf) | Tacotron (synthesizer) | Tacotron: Towards End-to-End Speech Synthesis | [fatchord/WaveRNN](https://github.com/fatchord/WaveRNN) |[1710.10467](https://arxiv.org/pdf/1710.10467.pdf) | GE2E (encoder)| Generalized End-To-End Loss for Speaker Verification | 本代码库 | ### 3.3 开发者致谢 作为一名AI领域的从业者，我们不仅乐于开发一些具有里程碑意义的算法项目，同时也乐于分享项目的成果以及开发当中的喜悦。 因此，你们的使用是对我们项目的最大认可，同时我们欢迎你们的指正，当你们有想法时可以欢迎issues上留言，这对于项目的后续优化具有十分重大的的意义。 为了表示感谢，我们将在本项目中留下你们的信息以及相对应的贡献。